Runway nghiên cứu tạo video AI thời gian thực: Người dùng có thể vừa xem vừa điều khiển như livestream

Từ "chờ kết xuất" sang tương tác trực tiếp theo thời gian thực

Quy trình tạo video AI phổ biến hiện nay vận hành theo từng bước gián đoạn: người dùng nhập câu lệnh (prompt), chờ vài giây đến vài phút để hệ thống xử lý, sau đó nhận về một đoạn clip hoàn chỉnh. Nếu kết quả không như ý, toàn bộ quá trình phải bắt đầu lại từ đầu. Theo khảo sát từ Runway, việc chờ đợi và chỉnh sửa nhiều lần là rào cản tiêu tốn nhiều thời gian nhất của người dùng.

Để giải quyết nút thắt này, Runway vừa công bố hướng nghiên cứu mới về tạo video AI theo thời gian thực (real-time video generation). Mục tiêu của hãng là rút ngắn tối đa thời gian tạo khung hình đầu tiên, sau đó truyền phát (stream) video liên tục ngay khi người dùng đưa ra chỉ dẫn. Thay vì thụ động chờ kết xuất, người dùng có thể chủ động định hướng nội dung video đang chạy giống như đang tương tác với một buổi phát trực tiếp.

Khắc phục bẫy sai số tích tụ và bài toán chi phí GPU

Hướng tiếp cận thời gian thực của Runway được xây dựng dựa trên GWM-1 – "Mô hình Thế giới Đa năng" (General World Model) đầu tiên của hãng ra mắt vào tháng 12/2025 dựa trên nền tảng Gen-4.5. Hệ thống này sinh video theo từng khung hình (frame-by-frame) và có thể tiếp nhận các mệnh lệnh đa dạng như chuyển động camera, giọng nói, cú nhấp chuột hay lệnh điều khiển robot. Trước đó, Runway từng ứng dụng nguyên lý này trên tính năng Runway Characters vào tháng 3 và hệ thống tạo giao diện người dùng Solaris.

Tuy nhiên, việc sinh video theo thời gian thực gặp phải một thách thức kỹ thuật lớn: sai số tích tụ (compounding errors). Khác với các mô hình ngôn ngữ lớn (LLM) có thể tự sửa lỗi giữa câu, mô hình video phải dựng mỗi khung hình mới dựa trên bối cảnh của toàn bộ các khung hình trước đó. Do đó, một sai sót nhỏ ban đầu có thể nhân lên và biến thành sự méo mó biến dạng nghiêm trọng theo thời gian.

Để khắc phục, Runway đã huấn luyện mô hình trên chính các dữ liệu đầu ra có lỗi thay vì chỉ nạp các dữ liệu hoàn hảo, giúp AI học cách tự điều chỉnh độ lệch thay vì phóng đại lỗi. Cách tiếp cận này tương tự như startup Decart từng áp dụng với mô hình MirageLSD.

Về mặt kinh tế, mô hình thời gian thực giúp giảm đáng kể chi phí điện toán. Dù áp lực tính toán chuyển dịch mạnh sang khâu suy luận (inference) – đòi hỏi phần cứng phải dựng hình đủ nhanh để bắt kịp tốc độ phát –, các mô hình chạy nhanh lại tiêu tốn ít thời gian GPU trên mỗi tác vụ hơn. Tại hội nghị GTC của Nvidia, Runway từng trình diễn bản thử nghiệm chạy trên nền tảng Vera Rubin với độ trễ khung hình đầu tiên dưới 100 mili-giây.

Nền tảng cho thế giới ảo tương tác, robot và xe tự lái

Runway nhận định phương thức truyền phát video tương tác là bước đi chiến lược dài hạn cho ngành truyền thông AI, đặc biệt trong giáo dục, trò chơi điện tử và chế tạo robot. Đây là những lĩnh vực đòi hỏi môi trường thị giác phản hồi gần như lập tức theo hành động của người dùng hoặc tác nhân điều khiển.

Trong lĩnh vực tự hành, việc đánh giá cách robot hay xe tự lái xử lý các tình huống hy hữu (edge cases) luôn cần những môi trường giả lập thời gian thực. Runway đã giới thiệu biến thể GWM Robotics nhằm sinh dữ liệu tổng hợp phục vụ đào tạo cánh tay robot.

Xu hướng này cũng đang được các đối thủ lớn theo đuổi. Google DeepMind sở hữu mô hình thế giới Genie 3 có khả năng duy trì tính nhất quán của môi trường tương tác trong vài phút ở chuẩn 720p với tốc độ 24 khung hình/giây. Hãng xe tự lái Waymo cũng tận dụng công nghệ của Genie 3 để phát triển Waymo World Model, mô phỏng các tình huống thực tế khó lường trên đường sá (như gặp đàn voi, lốc xoáy hay đường ngập lụt) để hệ thống tự lái tích lũy hàng tỷ dặm thử nghiệm ảo trước khi lăn bánh ngoài đời thực.

Hiện Runway vẫn chưa công bố mốc thời gian phát hành thương mại chính thức cho tính năng này.